京公网安备 11010802034615号
经营许可证编号:京B2-20210330
充分挖掘司法大数据的超凡价值
司法大数据不仅可以成为法官公正司法的“校准器”,还可以成为观察经济发展的“晴雨表”,成为推动社会治理的“方向标”,成为人民群众规范行为的“指南针”。
说到司法大数据,我们首先想到的是全国法院一年受理案件的总数。以2016年为例,全国法院受理案件接近2000万件。其中,最高人民法院受理案件15985件,审结14135件;地方各级人民法院受理案件1951.1万件,审结、执结1671.4万件,结案标的额4万亿元。需要特别说明的是,按照公认的大数据定义,这些数据还不能称为司法大数据,仅仅是一些重要和宏观的司法数据。因为,它们还没有经过加工分析,没有经过结构化改造,所能够提供给我们的信息还十分有限,数据背后的信息还没有被充分地挖掘出来,因此也就无法被有效地使用。
的确,大数据不仅仅表现为数据的规模之大,更代表着数据处理所需的以人工智能为代表的新技术和新方法,代表着从海量的数据中找到过去不容易昭示的经验、规律和预测,代表着大数据分析和应用所带来的新创造、新服务和新机遇。没有分析加工提炼的数据,无论其数量有多么庞大、构成多么复杂,都不能称之为大数据。只有通过对数据的大量输入并加上复杂运算,让数据不断产生又不断拆分、整合,融合生成新的产品,然后输出、使用,才能形成“数据生产信息,信息改善决策”。这正是大数据发挥作用的基本原理。也就是说,大数据之所以能够带来神机妙算般的超凡价值,关键在于对数据的分析、挖掘、加工、提炼,能够从海量的数据中分析和提取出有规律的信息,能够对未来趋势进行预测的信息,进而影响和改善我们的决策。司法数据相当于生产资料,互联网相当于基础设施,云计算相当于生产工具,三者共同组成了信息时代的司法大数据。
如何适应互联网信息技术发展带来的机遇,充分挖掘司法大数据可能具有的超凡价值,是加强司法大数据研究与应用的重大课题,也是周强院长交给各级人民法院的一项重要工作任务。党的十八以来,在周强院长大力倡导和推动下,人民法院的信息化建设取得飞速进展。经过短短几年努力,从立案、审判到执行的全流程,最高人民法院已经搭建起了大数据管理和服务平台,实现了全国法院网络和信息基础设施全覆盖,全国3519个法院和9279个人民法庭通过专网实现互联互通。现在,各级法院正以每5分钟一次的频率向大数据管理和服务平台自动汇聚新收集的各类案件数据。目前,平台已经汇集了1亿多件案件数据和2900多万份裁判文书。面对呈指数增长的司法数据,初步实现了数据的“收集、保存、管理”。下一步,要在数据的“复杂运算”方面下大功夫,实现数据的“分析和共享”。
我们注意到,一些地方对司法大数据的研究与应用已经取得了不少可喜的成绩。比如,通过网络审判辅助系统分析案件的全部电子卷宗材料,自动为办案法官推送直接相关的法律法规、指导性或参考性案例等各类型法律文献,为法官提供智力支持;通过信息化实现资源共享,为不同法院审理同类案件提供大致统一的裁判尺度,避免同案不同判和法律适用不统一的问题;通过现代信息技术手段,缩减办案和执行期限,提高整体办案效率;通过网络流程再造,实现对办案工作的自动预警和智能监督。但总体上看,对大数据的收集、研究与应用还处在一个比较粗浅的层面上,司法大数据可能具有的超凡价值远远没有得到挖掘。
大数据的世界是现实的,也是超现实的;是过去的,更是面向未来的。通过数据的不断交换与交流,通过数据以及数据的不断使用,通过人工智能的复杂运算,带来的是更多源源不断并及时更新的新数据,展示出的是一个更清晰、更量化的经验世界,可以为人们的决策提供更值得借鉴的参照。未来,通过不断升级的人工智能和智慧法院建设,人们甚至可以顺利实现对诉讼结果的预测。这正是周强院长推动成立司法大数据专门研究与开发机构的要义。因为,司法大数据不仅可以成为法官公正司法的“校准器”,还可以成为观察经济发展的“晴雨表”,成为推动社会治理的“方向标”,成为人民群众规范行为的“指南针”。为此,周强院长要求以建设智慧法院为目标,充分利用人民法院丰富的案例资源,加强数据化分析等系统的开发和运用,更好地服务审判执行,服务人民群众多元司法需求,服务经济社会发展。
随着大数据日益转化成为国家基础性战略资源,拥有司法数据的规模以及分析解释运用这些数据的能力,也必将成为人民法院综合能力的重要组成部分。我们期待能够建立起司法大数据的全套指数系统,不仅为法院系统服务、为法官公正司法服务,还可以用司法大数据为国家治理现代化提供基础数据和决策支撑,为党和政府服务、为社会服务、为人民群众服务。当然,这需要互联网有关产业机构、数据机构的共同参与,也期待有更多的政府部门和律师机构,积极支持和参与到建设司法大数据发展指数系统中来,打造共享的数据交换交流平台,实现利国利民利己的大壮举。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16